基于多尺度记忆残差网络的网络流量异常检测模型
基于深度学习的网络流量异常检测模型通常存在现实环境适应性差、表征能力有限以及泛化能力弱的问题.为此,提出了一种基于多尺度记忆残差网络的网络流量异常检测模型.基于高维特征空间分布分析,证明网络流量数据预处理方法的有效性;将多尺度一维卷积与长短期记忆网络相结合,通过深度学习算法提高模型的表征能力;基于残差网络的思想,实现深度特征提取,同时防止梯度消失、梯度爆炸、过拟合及网络退化现象,加快模型收敛速度,从而实现准确高效的网络流量异常检测.数据预处理可视化结果表明,经独热编码处理后,相较于标准化处理,归一化处理可使正常流量与异常流量数据有效分离;有效性验证实验及性能评估实验结果表明,通过增加恒等映射可加快模型收敛速度,并有效解决网络退化问题;对比实验结果表明,多尺度一维卷积及长短期记忆网络可提升模型的表征能力并使模型具备较强的泛化能力,且本文模型相比当前部分深度学习模型呈现更优的性能指标.
网络流量异常检测、多尺度记忆残差网络、多尺度一维卷积、长短期记忆网络、残差网络、网络入侵检测
49
TP393.0(计算技术、计算机技术)
国家自然科学基金61972208
2022-08-11（万方平台首次上网日期，不代表论文的发表时间）
共9页
314-322
